ML Community Day คือวันที่ 9 พฤศจิกายน! ร่วมกับเราสำหรับการปรับปรุงจาก TensorFlow, JAX และอื่น ๆ เรียนรู้เพิ่มเติม

ความน่าจะเป็นของเทนเซอร์โฟล

ความน่าจะเป็นของ TensorFlow เป็นห้องสมุดสำหรับการให้เหตุผลเชิงความน่าจะเป็นและการวิเคราะห์ทางสถิติใน TensorFlow ในฐานะที่เป็นส่วนหนึ่งของระบบนิเวศ TensorFlow ความน่าจะเป็นของ TensorFlow ให้การผสานรวมวิธีความน่าจะเป็นกับเครือข่ายระดับลึก การอนุมานแบบไล่ระดับโดยใช้การสร้างความแตกต่างอัตโนมัติ และความสามารถในการปรับขยายสำหรับชุดข้อมูลขนาดใหญ่และแบบจำลองที่มีการเร่งด้วยฮาร์ดแวร์ (GPU) และการคำนวณแบบกระจาย

การเริ่มต้นกับ TensorFlow น่าจะดูที่ คู่มือการติดตั้ง และดู งูหลามบทเรียนโน๊ตบุ๊ค

ส่วนประกอบ

เครื่องมือแมชชีนเลิร์นนิงความน่าจะเป็นของเรามีโครงสร้างดังนี้:

เลเยอร์ 0: TensorFlow

การดำเนินงานเชิงตัวเลข -IN โดยเฉพาะอย่างยิ่ง LinearOperator ชั้นช่วยให้การใช้งานเมทริกซ์ฟรีที่สามารถใช้ประโยชน์จากโครงสร้างเฉพาะ (เส้นทแยงมุมต่ำยศ ฯลฯ ) ในการคำนวณที่มีประสิทธิภาพ มันถูกสร้างขึ้นและดูแลโดยทีม TensorFlow น่าจะเป็นและเป็นส่วนหนึ่งของ tf.linalg ในแกน TensorFlow

เลเยอร์ 1: การสร้างบล็อคทางสถิติ

  • การกระจาย ( tfp.distributions ): คอลเลกชันขนาดใหญ่ของการกระจายความน่าจะเป็นและสถิติที่เกี่ยวข้องกับชุดและ แพร่ภาพ ความหมาย
  • Bijectors ( tfp.bijectors ): การเปลี่ยนแปลงแบบพลิกกลับและ composable ของตัวแปรสุ่ม Bijectors ให้ระดับที่อุดมไปด้วยการกระจายเปลี่ยนจากตัวอย่างคลาสสิกเช่น การกระจายของระบบปกติ จะโมเดลการเรียนรู้ลึกที่มีความซับซ้อนเช่น กระแสอัตสวมหน้ากาก

เลเยอร์ 2: การสร้างแบบจำลอง

  • ร่วมกระจาย (เช่น tfp.distributions.JointDistributionSequential ): การกระจายร่วมมากกว่าหนึ่งหรือการกระจายมากขึ้นอาจ-การพึ่งพาซึ่งกันและกัน สำหรับคำแนะนำเกี่ยวกับการสร้างแบบจำลองที่มี TFP ของ JointDistribution s ตรวจสอบ Colab นี้
  • ชั้นความน่าจะเป็น ( tfp.layers ): ชั้นเครือข่ายประสาทเทียมที่มีความไม่แน่นอนของฟังก์ชั่นพวกเขาเป็นตัวแทนขยายชั้น TensorFlow

ชั้น 3: การอนุมานความน่าจะเป็น

  • ห่วงโซ่มาร์คอฟ Monte Carlo ( tfp.mcmc ): อัลกอริทึมสำหรับปริพันธ์ใกล้เคียงผ่านการสุ่มตัวอย่าง รวมถึง มิล Monte Carlo สุ่มเดิน Metropolis-เฮสติ้งส์และความสามารถในการสร้างการเปลี่ยนแปลงเมล็ดที่กำหนดเอง
  • แปรผันอนุมาน ( tfp.vi ): อัลกอริทึมสำหรับปริพันธ์ใกล้เคียงกับการเพิ่มประสิทธิภาพ
  • เพิ่มประสิทธิภาพ ( tfp.optimizer ): วิธีการเพิ่มประสิทธิภาพ Stochastic ขยาย TensorFlow เพิ่มประสิทธิภาพ รวม Stochastic ไล่โทนสี Langevin Dynamics
  • Monte Carlo ( tfp.monte_carlo ): เครื่องมือสำหรับการคำนวณความคาดหวังของ Monte Carlo

ความน่าจะเป็นของ TensorFlow อยู่ระหว่างการพัฒนาและอินเทอร์เฟซอาจมีการเปลี่ยนแปลง

ตัวอย่าง

นอกจากนี้ยังมี บทเรียนโน้ตบุ๊คหลาม ระบุไว้ในลูกศรมีบางสคริปต์ตัวอย่างที่ใช้ได้:

รายงานปัญหา

รายงานข้อบกพร่องหรือคำขอคุณลักษณะใช้ TensorFlow น่าติดตามปัญหา